MÔ HÌNH THỜI TIẾT AI BÁM ĐƯỜNG ĐI BÃO TỐT HƠN, NHƯNG VẪN KHIẾN BÃO QUÁ YẾU

Các mô hình thời tiết được huấn luyện bằng dữ liệu giờ đây, tính trung bình, đã cạnh tranh được với những hệ thống dự báo dựa trên vật lý tốt nhất, với chi phí tính toán chỉ bằng một phần nhỏ. Liệu điều đó có còn đúng với các hiện tượng hiếm gặp và cực đoan — chính là những lúc một dự báo tốt quan trọng nhất — thì vẫn còn tranh cãi. Các đánh giá trước đây đã phát hiện những thất bại nghiêm trọng với thời tiết phá kỷ lục và các cơn bão nhiệt đới mạnh, nhưng chủ yếu chúng kiểm tra các mô hình tất định, vốn chỉ đưa ra một dự báo duy nhất. Những mô hình mới nhất là mô hình xác suất: chúng tạo ra một tổ hợp (ensemble) các tương lai có thể xảy ra, mỗi tương lai là một “thành viên”.

Bão nhiệt đới là một bài kiểm tra khắt khe. Chúng nằm trong số những hiểm họa thời tiết gây thiệt hại nặng nề nhất, và việc sơ tán phụ thuộc vào dự báo vị trí và cường độ của chúng trước vài ngày, kèm theo một thước đo trung thực về độ bất định. Thế nhưng chúng chỉ chiếm khoảng 0,5% số điểm lưới trong các mô phỏng khí hậu toàn cầu.

178 cơn bão, chạy lại

Nathan Chalumeau và các đồng nghiệp — đến từ INRIA, Đại học Sorbonne và CNRS, cùng AXA tại Paris — đã so sánh ba mô hình AI: GenCast, lấy mẫu thời tiết tương lai bằng một mô hình khuếch tán (diffusion model); FourCastNet 3, do NVIDIA phát hành; và FGN, xây dựng tổ hợp dự báo từ bốn mạng được huấn luyện riêng rẽ. Thước đo của họ là IFS-ENS, tổ hợp dự báo vận hành dựa trên vật lý của ECMWF, được dùng làm mốc so sánh số.

Họ chọn 178 cơn bão đạt sức gió duy trì ít nhất 64 hải lý/giờ, ở mọi lưu vực đại dương, trong hai bối cảnh: 125 cơn bão giai đoạn 2021–2023 với các mô hình được huấn luyện trên dữ liệu tái phân tích ERA5, và 53 cơn bão năm 2025 với các phiên bản vận hành được tinh chỉnh trên các phân tích độ phân giải cao của ECMWF. Mỗi dự báo chạy 15 ngày với 49 hoặc 50 thành viên, bắt đầu 12 giờ trước báo cáo gió đầu tiên của cơn bão — tổng cộng 26.541 dự báo thành viên. Riêng việc chạy lại các dự báo 2021–2023 đã tốn hơn 6.000 giờ bộ xử lý đồ họa H100.

Chấm điểm một đám mây vị trí khả dĩ

Đường đi dự báo thường được đánh giá qua vị trí trung bình của tổ hợp. Các tác giả chỉ ra vì sao điều đó có thể gây hiểu nhầm qua trường hợp bão Bualoi năm 2025: các thành viên của IFS-ENS tách thành những cụm riêng biệt mà không giá trị trung bình nào có thể đại diện.

Bão Bualoi (2025): vị trí dự báo của FGN (đỏ) và IFS-ENS (xanh lam) ở bốn thời hạn dự báo, quanh đường đi quan sát được (chấm đen). — Figure 2, Chalumeau et al. (2026), arXiv:2610.22077.

Thay vào đó, họ biến mỗi tổ hợp thành một bản đồ xác suất và xét xem bao nhiêu phần trong đó rơi đúng vào vị trí quan sát được của cơn bão. Điểm càng thấp, dự báo càng tốt.

Với các cơn bão 2021–2023, GenCast vượt IFS-ENS ở 68% số cơn bão và FourCastNet 3 ở 58% — cách biệt khiêm tốn. Với các cơn bão năm 2025, khoảng cách nới rộng: FGN vượt IFS-ENS ở khoảng 90% trong số 41 cơn bão được giữ lại, và đứng đầu trong ba mô hình ở 59% số đó, so với 34% của GenCast và 7% của IFS-ENS. FGN cũng có điểm số tốt nhất trên toàn bộ các trường thời tiết, và cả hai mô hình AI đều bỏ xa IFS-ENS quanh các cơn bão hơn là trên phạm vi toàn cầu. Khi so sánh các vùng gió mạnh nhất và áp suất thấp nhất chỉ dựa trên hình dạng và vị trí, thứ tự vẫn giữ nguyên: FGN, rồi GenCast, rồi IFS-ENS.

Những cơn bão quá hiền

Định vị tốt hơn không có nghĩa là cường độ tốt hơn. Với các cơn bão năm 2025, cả FGN và GenCast đều đánh giá thấp gió cực đại ở hạn ngắn và hạn vừa, trong khi IFS-ENS vẫn nằm trong phạm vi 10% so với giá trị tham chiếu. Việc tinh chỉnh trên dữ liệu vận hành không loại bỏ được sai lệch này. Trong bối cảnh trước, GenCast có điểm cục bộ tốt hơn nhưng lại thiếu hụt gió nhiều hơn. Các tổ hợp cũng được hiệu chỉnh kém, có nơi độ phân tán quá nhỏ.

Có một điều bất ngờ. Bão của AI yếu hơn, nhưng mối quan hệ giữa gió và áp suất bên trong chúng lại có vẻ đúng. Khi loại bỏ sai lệch cường độ của từng mô hình bằng cách xếp hạng, hệ số tương quan giữa gió cực đại và áp suất cực tiểu là −0,83 với FGN và −0,84 với GenCast, so với −0,88 của phân tích độ phân giải cao và −0,87 của IFS-ENS. Với FGN, mô hình được huấn luyện từng biến và từng vị trí một, mối liên hệ đó chưa bao giờ bị áp đặt. Vậy mà nó vẫn tự xuất hiện.

Trái: bão của các mô hình AI có gió yếu hơn và vùng áp thấp nông hơn so với tham chiếu. Phải: sau khi xếp hạng, mọi nguồn đều theo gần như cùng một quan hệ gió–áp suất. — Figure 6, Chalumeau et al. (2026), arXiv:2610.22077.

Chưa phải hệ thống cảnh báo — ít nhất là lúc này

Các tác giả tự vạch giới hạn cho kết quả của mình. Nghiên cứu chạy lại một số cơn bão trong quá khứ được chọn lọc; nó không bao gồm những giai đoạn không có bão, nên không thể đánh giá liệu các mô hình có phát báo động giả hay không. Hai bối cảnh khác nhau về các cơn bão, phiên bản mô hình và thậm chí cả các bản nâng cấp của IFS-ENS, nên không thể tách riêng tác động của việc tinh chỉnh. Và tuyên bố đạo đức rất thẳng thắn: những kết quả này “không nên được hiểu là hướng dẫn sử dụng bất kỳ mô hình nào trong số này cho cảnh báo vận hành.”

Kết luận của họ là một danh sách việc cần làm. Hiệu chỉnh cường độ, thiết kế các mục tiêu huấn luyện chú trọng đến gió cực đoan, cải thiện độ bất định — và mỗi lần đều kiểm tra rằng những tiến bộ về vị trí và về mối liên hệ gió–áp suất vẫn được giữ vững.